近年來(lái),深度學(xué)習(xí)得到廣泛的研究,目前已成為一種主流的研究技術(shù)。深度學(xué)習(xí)在圖像分類(lèi)﹑圖像識(shí)別﹑圖像檢索和目標(biāo)檢測(cè)等各個(gè)領(lǐng)域都取得顯著成果,隨著深度學(xué)習(xí)在自然圖像語(yǔ)義分割上取得的突破性進(jìn)展,由此將圖像分割擴(kuò)展到醫(yī)學(xué)圖像上。由于醫(yī)學(xué)圖像自身的特性,導(dǎo)致許多先進(jìn)的分割算法未能在醫(yī)學(xué)圖像取得好的結(jié)果,所以醫(yī)學(xué)圖像的分割需要特定的算法去實(shí)現(xiàn)�；诟倪M(jìn)深度模型的醫(yī)學(xué)圖像分割,本文的主要工作如下:（1）針對(duì)目前醫(yī)學(xué)圖像分割常使用的Sigmoid激活函數(shù),可能產(chǎn)生梯度消失而影響網(wǎng)絡(luò)特征編碼能力的問(wèn)題,本文提出基于編碼約束的全卷積分割網(wǎng)絡(luò)。醫(yī)學(xué)圖像分割本質(zhì)上是對(duì)每個(gè)像素的二分類(lèi),而Sigmoid激活函數(shù)常用于二分類(lèi),Sigmoid激活函數(shù)可以將特征映射到0-1之間。Sigmoid適用于二分類(lèi)但卻可能導(dǎo)致梯度消失,本文通過(guò)一個(gè)約束編碼,在使用Sigmoid之前將編碼層特征值規(guī)范到0.5附近,以此來(lái)緩解梯度消失并提高特征編碼能力。針對(duì)基于全卷積在目標(biāo)邊緣分割的粗糙性需要CRF對(duì)分割結(jié)果做平滑處理問(wèn)題,本文提出利用生成對(duì)抗網(wǎng)絡(luò)端到端的實(shí)現(xiàn)醫(yī)學(xué)圖像的分割。通過(guò)實(shí)驗(yàn)可視化分割結(jié)果表明在網(wǎng)絡(luò)中引入多尺度特征損失判別器... 

【文章來(lái)源】：山西大學(xué)山西省

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

三維多層醫(yī)學(xué)圖像

基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法的研究8圖2.1三維多層醫(yī)學(xué)圖像2.3卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)源于機(jī)器學(xué)習(xí)，是其一個(gè)分支，近年來(lái)被廣泛研究成為主流的研究方法。深度學(xué)習(xí)本質(zhì)是對(duì)數(shù)據(jù)的高層抽象，通過(guò)一系列復(fù)雜的結(jié)構(gòu)和非線性變換進(jìn)行數(shù)據(jù)處理，屬于一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。深度學(xué)習(xí)最主要的優(yōu)勢(shì)就是能夠依靠模型提取特征進(jìn)行表征學(xué)習(xí)，避免了原始需要人工去獲取特征。卷積神經(jīng)網(wǎng)絡(luò)CNN[26-28]是深度學(xué)習(xí)最具有代表性的學(xué)習(xí)模型。CNN是基于人工神經(jīng)網(wǎng)絡(luò)的一種改進(jìn)，由于神經(jīng)網(wǎng)絡(luò)在一些領(lǐng)域均取得突破性成就，而傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)具有龐大的參數(shù)量，既耗費(fèi)訓(xùn)練資源又耗時(shí)，為了改善這種狀況從而提出CNN。一個(gè)完整的CNN結(jié)構(gòu)主要由輸入層﹑卷積層[26,27]﹑池化層[26,27]﹑全連接層[26,27]和輸出層組成，其中卷積層，池化層和全連接層可以包含多個(gè)。CNN的訓(xùn)練包括前向傳播（前饋神經(jīng)網(wǎng)絡(luò)）和反向傳播算法[26]，其中反向傳播尤為重要。前向傳播就是數(shù)字圖像以矩陣的形式輸入網(wǎng)絡(luò)，經(jīng)卷積層計(jì)算提取有效特征，并利用激活函數(shù)做非線性處理以增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力，當(dāng)產(chǎn)生的特征圖較大或參數(shù)量較多時(shí)可適當(dāng)采用池化層進(jìn)行下采樣，最后通過(guò)全連接層進(jìn)行映射輸出預(yù)測(cè)的結(jié)果。反向傳播算法是通過(guò)鏈?zhǔn)角髮?dǎo)法則進(jìn)行權(quán)重的更新。如圖2.2所示一個(gè)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，包含有卷積層，池化層和全連接層。圖2.2一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

集具有相同的分布。卷積層，進(jìn)行卷積計(jì)算是網(wǎng)絡(luò)的核心部分，本質(zhì)是一個(gè)濾波器[30]，利用一個(gè)確定大小的滑動(dòng)窗口在輸入圖像上做乘運(yùn)算和加運(yùn)算，主要就是用來(lái)做特征提齲卷積層的多少?zèng)Q定了網(wǎng)絡(luò)的深度，卷積層越多網(wǎng)絡(luò)越深提取的特征越詳細(xì)越復(fù)雜。網(wǎng)絡(luò)的訓(xùn)練參數(shù)基本都在這一層。卷積層是以局部關(guān)聯(lián)為基礎(chǔ)進(jìn)行窗口滑動(dòng)。局部關(guān)聯(lián)要求同一個(gè)卷積核在對(duì)圖像不同部分進(jìn)行滑動(dòng)卷積計(jì)算時(shí)保持權(quán)重相同即權(quán)重共享。窗口滑動(dòng)就是一個(gè)固定大小的矩陣在圖像矩陣上逐步平移。在進(jìn)行卷積操作時(shí)需要知道步長(zhǎng)，填充值，深度等相關(guān)概念如圖2.3所示。對(duì)于填充值要依據(jù)圖像尺寸和卷積核大小而定，目的是為了確保能夠讓滑動(dòng)窗口覆蓋到整幅圖像。以55大小的圖像為例，給定滑動(dòng)窗口大小33，步長(zhǎng)為1，此時(shí)若對(duì)圖像進(jìn)行卷積操作就無(wú)法完全覆蓋到所有像素而是差一個(gè)像素，通過(guò)填充padding=1，改變圖像大小為77。圖2.3卷積操作以及相關(guān)的概念卷積計(jì)算過(guò)程如圖2.4所示，即對(duì)應(yīng)元素先做乘運(yùn)算再做加運(yùn)算。圖中藍(lán)色矩陣為一個(gè)單通道輸入，最外層值為0的灰色框是填充值，紅色矩陣是卷積層的一個(gè)神經(jīng)元，經(jīng)過(guò)一次卷積運(yùn)算后結(jié)果在最右邊的綠色矩陣中顯示。滑動(dòng)窗口大小為33，步長(zhǎng)為2，以綠色矩陣中第一個(gè)值計(jì)算為例，計(jì)算00+00+(-1)0+10+01+02+00+01+10=0，該計(jì)算過(guò)程即為紅色矩

【參考文獻(xiàn)】：
期刊論文
[1]注意力機(jī)制在深度學(xué)習(xí)中的研究進(jìn)展[J]. 朱張莉,饒?jiān)?吳淵,祁江楠,張鈺.  中文信息學(xué)報(bào). 2019(06)
[2]3D腦腫瘤分割的Dice損失函數(shù)的優(yōu)化[J]. 劉昊,王冠華,章強(qiáng),李雨澤,陳慧軍.  中國(guó)醫(yī)療設(shè)備. 2019(05)
[3]圖像分割方法綜述[J]. 侯紅英,高甜,李桃.  電腦知識(shí)與技術(shù). 2019(05)
[4]基于深度CRF模型的圖像語(yǔ)義分割方法[J]. 胡濤,李衛(wèi)華,秦先祥,邱浪波,李小春.  空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[5]基于改進(jìn)激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 曲之琳,胡曉飛.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(12)
[6]NIFTI格式醫(yī)學(xué)圖像顯示方法研究[J]. 張光玉,徐龍春,張敏風(fēng),鄒越,張崗,趙文波,秦健,楊貴華,姜嬌嬌,閆呈新,宋莉,朱建忠.  中國(guó)醫(yī)學(xué)物理學(xué)雜志. 2017(07)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[8]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計(jì)算機(jī)應(yīng)用研究. 2017(07)
[9]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[10]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)

碩士論文
[1]基于注意力機(jī)制的圖像分類(lèi)深度學(xué)習(xí)方法研究[D]. 王培森.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[2]基于深度學(xué)習(xí)的圖像分割研究與應(yīng)用[D]. 張華博.電子科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的圖像分類(lèi)技術(shù)研究[D]. 屈冰欣.西北工業(yè)大學(xué) 2015
[4]CT/MRI醫(yī)學(xué)影像分割算法研究[D]. 劉玲玲.天津醫(yī)科大學(xué) 2013
[5]圖像分割的算法研究[D]. 吳學(xué)明.成都理工大學(xué) 2006



本文編號(hào)：3130957